第22卷第2期2023年6月宁夏工程技术Vol.22No.2NingxiaEngineeringTechnologyJun.2023基于YOLOv5s6.0的飞机遥感图像分类研究顾旭璐1，郭中华1，2*，闫梓旭3，陈旺1，龚轩1，王正4（1.宁夏大学电子与电气工程学院，宁夏银川750021；2.宁夏沙漠信息智能感知重点实验室，宁夏银川750021；3.宁夏计量质量检验检测研究院，宁夏银川750001；4.国华宁夏新能源有限公司，宁夏银川750000）摘要：为了实现光学遥感图像中飞机目标的快速分类，提出了以YOLOv5s6.0为基础的网络模型算法。该算法采用自适应锚框计算得到适用于实验中自建数据集的锚框；使用Mosaic数据增强方法增强了数据集的丰富度；使用SPPF模块提高了计算速度；在Backbone部分引入了注意力机制模块CBAM，在Neck部分引入了加权双向特征金字塔网络BiFPN，以便于将高层次与低层次的特征融合，同时保留了原始特征信息，提高了算法的检测分类能力。最后，根据飞机外型特征点，在自建的3种分类数据集上进行了训练。结果表明：平均检测精度的均值达到60.3%，较改进前的算法模型提高了2.9%；该算法可以实现在一张遥感图像上对飞机目标进行快速定位与分类。关键词：飞机遥感图像分类；YOLOv5s6.0；BiFPN中图分类号：TP751.1文献标志码：A在飞机目标检测与分类系统中，使用卫星遥感图像能够快速识别出飞机的位置、型号和数量，其对于开展工程与雷达航空领域的研究具有重要意义。此外，近年来随着计算机运算能力的不断提升，深度学习也被广泛应用于目标检测过程中。该过程不需要建立精确的数学模型，其类似于人类大脑神经的视觉感知系统，由神经网络的输入端提供需要学习的信息，输出端则给出对应的结果，并且用神经网络训练出一套内部的学习机制，最终给出预测结果。在目标检测领域中，YOLO系列算法因准确性高、实时性强，在众多同类算法中脱颖而出[1]，其代表算法主要有YOLO，YOLOv2，YOLOv3，YOLOv4，YOLOv5[2-4]。相较于前期的目标检测算法，YOLOv4与YOLOv5在检测精度与检测速度上有了很大的提升。当前，遥感飞机图像数据集匮乏，复杂背景下的小目标检测存在许多困难。为进一步读取光学遥感图像中小目标的位置与空间信息，提升网络的检测精度，本文以YOLOv5s6.0为基础进行了相关研究。1数据集处理目前，行业内缺少光学遥感图像的飞机机型分类数据集，因此限制了飞机机型的识别与应用研究。本文根据已公开的遥感数据集，提取了目标物为遥感飞机的图像，采用高分一号（GF-1）和高分六号（GF-6）卫星作为数据...
